Verkettungen von optimalen algebraischen und sphärischen Codes bei Coderate 1/2

Transkript

1 Verkettungen von optimalen algebraischen und sphärischen Codes bei Coderate 1/2 Dejan E. Lazic Technische Universität Chemnitz-Zwickau, Fakultät für Elektrotechnik und Informationstechnik, Institut für Informationstechnik, D-0910 Chemnitz Frank Pählke, Thomas Beth Universität Karlsruhe, Fakultät für Informatik, Institut für Algorithmen und Kognitive Systeme, Am Fasanengarten, D-128 Karlsruhe Übersicht Seit effiziente Algorithmen zur soft decision- Decodierung binärer Codes verfügbar sind, mit deren Hilfe ein Gewinn von 2 db gegenüber hard decision-decodierung erreicht werden kann, werden zur Kanalcodierung meist Verkettungen relativ einfacher binärer Codes favorisiert, denn die Laufzeit der Decodieralgorithmen steigt bei Verwendung größerer Symbolalphabete stark an. Das größte Problem dieser binären Codeverkettungen ist ihre mitunter große Länge, da die hiermit verbundene Übertragungsverzögerung in der Praxis häufig nicht tolerierbar ist. In dieser Arbeit werden die Ergebnisse einer Untersuchung vorgestellt, in der für eine Coderate von 1 2 systematisch die Möglichkeiten des Einsatzes nichtbinärer Codes ausgelotet wurden. Im Rahmen einer codierten Modulation wurden dabei als innere Codes numerisch optimierte Vektorkonstellationen verwendet, und als äußere Codes kamen RS-Codes und mehrwertige BCH- Codes zum Einsatz. Bei einfacher hard decision-decodierung waren die besten untersuchten Codes um knapp db schlechter als die besten bekannten binären Codes mit soft decision-decodierung, die sogenannten Turbo-Codes ([BerGla9]), was recht genau dem theoretisch zu erwartenden Unterschied zwischen hard decision und soft decision entspricht. Die Länge unserer Codes ist dafür jedoch um den Faktor 20 0 geringer als bei Turbo-Codes. 1 Einleitung Bei der Konstruktion eines guten Kanalcodierungssystems muß man die folgenden allgemeinen Grundsätze berücksichtigen: Wenn man lineare Codes benutzt, um die Komplexität der Encodierung zu reduzieren, benötigt man auf jeden Fall eine Codeverkettung, und sei es nur zwischen einem linearen (algebraischen) Code und einem bestimmten Modulationsverfahren bzw. einer bestimmten Vektorkonstellation. Die asymptotische Theorie verketteter Codes ([Fora, LazBet9a]) zeigt, daß die normalisierte Coderate R des äußeren Codes nahe 1 liegen muß, um in den Bereich der Kanalkapazität zu kommen (asymptotisch für N muß gelten: R 1). Aus diesem Grundmußder äußere Code ein großes Symbolalphabet besitzen, um auch bei R 1nochgenügend Redundanz zu besitzen. Anders als bei rein binären Codes kann die Kanalkapazität dann außerdem größer als 1 sein. Die binäre PSK-Modulation ist gegenüber Kanalstörungen allerdings erheblich unempfindlicher als alle praktisch realisierbaren mehrdimensionalen Konstellationen. Dies erklärt die gute Performance binärer Codes. Asymptotisch (n ) werden n- dimensionale Konstellationen zwar immer robuster, aber diese Verbesserung beginnt erst bei so hohen Dimensionen, daß die entsprechenden (De-)Modulatoren in der Praxis nicht mehr realisierbar sind. Reed-Solomon-(RS-)Codes besitzen ein großes Symbolalphabet und sind darüberhinaus asymptotisch für N beweisbar optimal ([LazBet9b]). Aus diesem Grund werden sie in den meisten verketten Systemen als äußere Codes benutzt. Optimale innere Codes sind nur für wenige Kombinationen aus Länge n und Mächtigkeit m bekannt. Das einzige bekannte systematische Konstruktionsverfahren für gute innere Codes beliebiger Länge stammt von Justesen ([Jus2]). Leider ist für

2 die Justesen-Codes bislang kein praktikables Verfahren zur gemeinsamen Maximum- Likelihood-Decodierung des inneren und äußeren Codes bekannt. Bei einer solchen gemeinsamen Maximum- Likelihood-Decodierung erreichen Codeverkettungen aus RS-Codes und optimalen inneren Codes asymptotisch für N die Kanalkapazität [Tho8, LazBet9a]. Eine algebraische Decodierung des äußeren Codes ist nach dem heutigen Wissensstand bei hard decision-decodierung nicht wesentlich weiter als bis zur halben Minimaldistanz möglich. Die Kanalkapazität kann auf diese Weise nicht annähernd erreicht werden. Als einziger Ausweg bleiben systematische Suchverfahren wie z. B Viterbi- Algorithmus oder sequentielle Decodierung. Im Gegensatz zu den populären Faltungscodes eignen sich die besten algebraischen Codes (RS-Codes) aus Komplexitätsgründen nur schlecht für eine systematische Suche. Faltungscodes haben allerdings erheblich schlechtere Distanzeigenschaften als Blockcodes mit vergleichbarer Coderate. Die von uns untersuchten Kanalcodierungssysteme basieren auf dem Einsatz von Codes mit mehrwertigen Symbolalphabeten. Dabei wurden die verwendeten inneren Codes durch direkte numerische Optimierung erzeugt und nicht durch den Einsatz kurzer binärer Codes mit BPSK-Modulation. An dieser Stelle möchten wir zunächst unsere Ergebnisse bei hard decision- Decodierung vorstellen, wobei wir allerdings auch einige Verfahren untersucht haben, die einen gewissen Zwischenschritt auf dem Weg zu einer gemeinsamen soft decision-decodierung desinneren und äußeren Codes darstellen. 2 Struktur der untersuchten Codes Zum Einsatz kam ein zweistufiges Verfahren der codierten Modulation, wobei als äußerer Code ein linearer algebraischer Code der Länge N und Dimension K über dem endlichen Körper GF(Q) verwendet wurde, dessen Codesymbole durch den inneren Euklidisch-geometrischen Code der Mächtigkeit m = Q direkt in Signalvektoren aus IR n abgebildet werden. Bei den inneren Codes handelt es sich also um mehrdimensionale Signalvektorkonstellationen. Besonderes Augenmerk wurde darauf gelegt, sowohl für den äußeren als auch für den inneren Code möglichst optimale Codes zu verwenden. Die verwendeten geometrischen Codes weisen gerade im Vergleich zu binären Codes mit einfacher BPSK-Modulation teilweise erheblich bessere Distanzeigenschaften auf, was sich natürlich positiv auf die Leistung der gesamten Codeverkettung auswirkt ([LazBet9a]). Der größte Nachteil ist der erhebliche Rechenaufwand bei der Decodierung der geometrischen Codes, denn diese Codes wurden zum größten Teil durch numerische Optimierungsverfahren erzeugt und besitzen somit keinerlei Symmetrien, die eventuell zur Rechenzeitersparnis ausgenutzt werden könnten. Bei einem geometrischen Code der Länge n mit Coderate r und Kardinalität m =2 rn ergibt sich daher für das systematische Durchprobieren aller zum Code gehörigen Signalvektoren ein Aufwand von O(m n) =O(2 rn n); der Aufwand wächst also bei gleichbleibender Coderate r exponentiell mit der Länge n des Codes. Um in einem realistischen Rahmen zu bleiben, verwendeten wir nur geometrische Codes mit n 1 und m Innerer Code Zur Anwendung kamen ausschließlich sphärische Codes { x i } m i=1 IRn, bei denen die Signalenergie E für alle Codeworte gleich ist: x i 2 = E für i = 1,...,m. Mit Ausnahme weniger beweisbar optimaler Codes aus [EriZin9] wurden alle verwendeten Codes durch numerische Optimierung erzeugt. Zum Einsatz kam dabei ein Schwellwert- Algorithmus (TA-Algorithmus für engl. threshold acceptance) als anerkannt leistungsfähiges Optimierungsverfahren. Als Zielfunktion zur Maximierung verwendeten wir zum einen den minimalen euklidischen Abstand zwischen je zwei Signalvektoren des Codes, und zum anderen erprobten wir die Zielfunktionen f α = m i,j=1 e α x i x j 2 mit α IR +,von denen wir uns aufgrund der Differenzierbarkeit eine gleichmäßigere Verteilung der Signalvektoren erhofften. Die besten Codes ergaben sich hierbei für α = ; sie waren praktisch exakt gleichwertig mit den Codes, die durch Maximierung der euklidischen Minimaldistanz erzeugt wurden.

3 innerer Code äußerer Code Gesamtcode Bezeichnung min N K D min N R b /N 0 [db] für E m n d BER = R B B Tabelle 1: Parameter einer Auswahl der untersuchten Codes 2.2 Äußerer Code Als eine Klasse sehr guter algebraischer Codes bieten sich die Reed-Solomon-Codes an. Kürzlich wurde bewiesen, daß RS-Codes für einen äußeren Kanal (superchannel), der als uniform symmetric channel (USC) modelliert wird, optimal sind in dem Sinne, daß sie bei allen Coderaten die theoretische Grenze für den Fehlerexponenten erreichen ([LazBet9b]). Bei ihnen besteht jedoch das Problem, daß die Codelänge N gemäß der Beziehung N = Q 1 mit der Kardinalität Q des zugrundeliegenden endlichen Körpers verknüpft ist. In der Praxis ist Q aus Aufwandsgründen beschränkt, denn bei der Verkettung des algebraischen Codes mit einem geometrischen Code der Kardinalität m muß grundsätzlich Q = m sein. Da wie erwähnt nur geometrische Codes mit m 2 untersucht wurden, hätte sich bei ausschließlicher Verwendung von RS-Codes somit eine Längenbeschränkung auf N 2 ergeben. Um diese Beschränkung zu umgehen, wurden neben den RS-Codes auch verallgemeinerte BCH- Codes mit Grundkörper GF(Q) und Länge N = Q e 1(e 2) untersucht. Diese besitzen zwar eine geringere Minimaldistanz und damit auch ein geringeres Korrekturvermögen als RS-Codes mit vergleichbarer Länge N und normierter Coderate R = K N, aber aufgrund des kleineren Grundkörpers und der damit verbundenen geringeren Kardinalität des inneren Codes erlauben sie eine erheblich effizientere Decodierung. Die längsten von uns eingesetzten BCH-Codes haben eine Länge von N = 09 bei Q =8bzw.Q=. Ergebnisse bei hard decision- Decodierung Der zugrundeliegende AWGN-Kanal wurde in seiner zeitdiskreten Form durch die additive Überlagerung normalverteilter Pseudozufallszahlen simuliert. In Tabelle 1 und Abbildung 1 ist für einige der untersuchten Codes derjenige Wert von E b /N 0 angegeben, für den der jeweilige Code eine Bitfehlerwahrscheinlichkeit (BER) von 10 aufweist. Verkettet werden dabei jeweils ein sphärischer Code der Länge n mit Kardinalität m und Coderate r = ld m n und ein algebraischer (N,K)- Code mit Coderate R = K N über GF(Q), wobei m = Q ist. Die Gesamtcoderate R = r R liegt so nahe wie möglich bei 1 2, und die Gesamtlänge N des verketteten Codes ergibt sich als das Produkt der Längen des inneren und äußeren Codes: N = n N. Durch unterschiedliche Symbole ist in der Abbildung kenntlich gemacht, ob es sich beim äußeren Code um einen RS- oder BCH-Code handelt; für jede dieser beiden Klassen und für jeden Wert von m = Q haben wir den besten untersuchten Code ausgewählt. Die Ergebnisse lassen sich folgendermaßen zusammenfassen: die Länge n des inneren Codes ist. die Länge N des äußeren Codes ist. die Gesamtlänge N = n N ist. die Mächtigkeit m = Q des Symbolalphabets ist. Verkettungen mit RS-Codes haben bei vergleichbarer Leistung eine kürzere Gesamtlänge, während BCH-Codes mit einem kleineren Symbolalphabet auskommen. Die besten untersuchten Verkettungen erreichen die geforderte BER von 10 bei einem E b /N 0

4 Eb/N0 [db] für BER = 10 Eb/N0 [db] für BER = 10. RS-Codes. BCH-Codes.... B B B R B.. R a) n b) N B B R B B.. R c) N = n N d) m = Q Abbildung 1: Güte einer Auswahl der untersuchten Codes. Dargestellt ist das E b /N 0 in db für eine BER von 10 in Abhängigkeit von a) der Länge n des inneren Codes, b) der Länge N des äußeren Codes, c) der Gesamtlänge N = n N, d)dermächtigkeit m = Q des Symbolalphabets. von.. db. Bei Verwendung von RS-Codes benötigt man hierzu ein Alphabet aus 2 Symbolen bei einer Gesamtlänge N von BCH-Codes kommen mit Symbolen aus, wobei allerdings N > 0000 ist. Ansätze zur soft decision- Decodierung Bei hard decision-decodierung sind die untersuchten Codes der Gesamtcoderate R = r R 1 2 für eine BER von 10 also bezüglich E b /N 0 noch etwa. db von der Shannon schen Grenze entfernt. Durch soft decision-decodierung könnte man diese Ergebnisse zumindest theoretisch um bis zu db verbessern, aber leider sind bislang noch keine soft decision-algorithmen bekannt, die RS- und BCH-Codes der betrachteten Größenordnung mit vernünftigem Zeitaufwand decodieren könnten. Es gibt allerdings einige Ansätze, mit denen versucht wird, auf anderem Wege einen ähnlich positiven Effekt zu erreichen wie mit einer echten soft decision-decodierung. Zwei dieser Ansätze haben wir auf ihre Tauglichkeit überprüft, wobei die Ergebnisse allerdings recht ernüchternd ausfielen..1 Decodierung mit Kandidatenlisten Zunächst implementierten wir einen Decodieralgorithmus, bei dem der geometrische Decoder für jede Position i der empfangenen Symbolfolge nicht nur die MAP-Schätzung ŝ i GF(Q) anden algebraischen Decoder liefert, sondern die Menge K i GF(Q) derlsymbole mit den größten a-priori-wahrscheinlichkeiten, zusammen mit einem Zuverlässigkeitsparameter β i IR + (z. B. der a-priori-wahrscheinlichkeit von ŝ i ). Die K i heißen im folgenden Kandidatenlisten. Zur Decodierung des äußeren Codes werden dann maximal L U Kandidaten-Codeworte gebildet, indem an den U unzuverlässigsten Positionen des Empfangswortes alle Symbole der zugehörigen Kandidatenliste systematisch durchprobiert werden, während man an den restlichen Positionen grundsätzlich das Symbol ŝ i einsetzt. Jedes Kandidaten-Codewort wird an einen konventionellen RS- oder BCH-Decoder übergeben. Signalisiert dieser eine erfolgreiche Decodierung, so ter-

5 miniert der Algorithmus. Konnte keines der L U Kandidaten-Codeworte sinnvoll decodiert werden, dann wird ein Ausfall signalisiert. Der größte Nachteil der Kandidatenlisten- Decodierung ist der enorm hohe Aufwand von bis zu L U Aufrufen eines RS- oder BCH- Decoders. Bei einer Listenlänge von L = 2 und einer Listenanzahl von U = 8 ergeben sich so schon bis zu 2 Decoderläufe, was sicherlich die absolute Obergrenze des praktisch Realisierbaren darstellen dürfte. Für L = erreicht man diese Größenordnung bereits bei U =, entsprechend 2 Decoderläufen, und Listenlängen von L dürften kaum noch einen praktischen Sinn ergeben. Als Beispiel seien hier unsere Ergebnisse für den Code aus Tabelle 1 genannt. Wir haben für diesen Code die Parameterkombinationen (L = 2,U = 8) und (L =,U = ) untersucht, Das für eine BER von 10 benötigte E b /N 0 wird in beiden Fällen um 0.8 db auf. db reduziert, allerdings mit dem erheblichen Aufwand von bis zu 2 Decoderläufen. Ein weiteres Ergebnis war, daß der Gewinn gegenüber reiner hard decision-decodierung bei wachsendem E b /N 0 immer größer wurde, während sich bei sehr kleinem E b /N 0, also einem sehr schlechten AWGN-Kanal, so gut wie kein Gewinn ergab. Der Grund für dieses Verhalten dürfte darin liegen, daß sich bei hohem E b /N 0 die auftretenden Symbolfehler überwiegend im Bereich der unzuverlässigsten Positionen konzentrieren, während sie sich bei niedrigem E b /N 0 gleichmäßiger über das gesamte Codewort verteilen, so daß eine Änderung ausschließlich der U unzuverlässigsten Symbole weniger Aussicht auf Erfolg hat. Leider wird der Gewinn durch Kandidatenlisten- Decodierung mit wachsender Länge N des algebraischen Codes immer geringer, was allerdings wenig verwunderlich ist, denn schließlich können sich die Fehler des geometrischen Codes dann auf mehr Positionen verteilen, während der Parameter U aus Aufwandsgründen nicht erhöht werden kann. Bei N = 2 ergaben unsere Simulationen nur noch einen minimalen Gewinn von gerade einmal 0.1 db, was den hierzu notwendigen Decodieraufwand natürlich in keinster Weise rechtfertigt. Allerdings erzielten die besten untersuchten Verkettungen mit N = 2 bereits bei reiner hard decision-decodierung Resultate, für die bei N = und Kandidatenlisten-Decodierung bis zu 2 Decoderläufe nötig waren..2 GMD-Decodierung Einsehrpopulärer Ansatz zur angenäherten soft decision-decodierung von RS- und BCH-Codes ist die generalized minimum distance-(gmd-) Decodierung, die zuerst von Forney in [Forb] vorgestellt wurde und die sich die Tatsache zu Nutzen macht, daß RS- und BCH-Codes maximal doppelt so viele Ausfälle wie Fehler korrigieren können. Der von uns benutzte GMD- Decodieralgorithmus stammt von Taipale und Pursley ([TaiPur91]) und zeichnet sich insbesondere dadurch aus, daß die Anpassung an beliebige (nicht biorthogonale) innere Codes weniger Probleme bereitet als bei Forneys Originalalgorithmus. Sowohl in [Forb] als auch in [TaiPur91] wird bewiesen, daß man durch GMD-Decodierung einen deutlichen Gewinn gegenüber reiner hard decision-decodierung erreichen kann, der sich asymptotisch dem Gewinn einer idealen soft decision- Decodierung annähert. Diese Beweise erfolgen allerdings jeweils unter der Voraussetzung, daß als innere Codes biorthogonale Signalkonstellationen zum Einsatz kommen, bei denen die euklidische Minimaldistanz unabhängig von der Dimension n konstant 2beträgt, wobei die Coderate r allerdings mit wachsendem n gegen Null geht. Wir haben nun aber die Coderate r der verwendeten geometrischen Codes grundsätzlich innerhalb des Intervalls 1 2 <r 1 gehalten, um bei der Verkettung mit einem algebraischen Code der Coderate R < 1 eine Gesamtcoderate von R = r R 1 2 zu erreichen, weshalb die Mächtigkeit m =2 rn unserer Konstellationen mit steigendem n viel stärker zunimmt als im biorthogonalen Fall. Die Auswirkungen dieser Tatsache auf den Gewinn durch GMD-Decodierung erwiesen sich leider als fatal: Bei m = 1 ergab sich durch GMD- Decodierung noch ein Gewinn von etwa 0. db gegenüber reiner hard decision-decodierung. Schon bei m = schnitt die GMD-Decodierung jedoch ein wenig schlechter ab als die hard decision-decodierung, und bei m = 2 belief sich der Verlust bereits auf etwa 0.2 db. Bei der Suche nach einer Erklärung für dieses Verhalten stießen wir auf das folgende Phänomen: Bei großem m (und entsprechend großer Länge N des algebraischen Codes) liefert der RS- bzw. BCH-Decoder zwar häufig das korrekte Codewort, aber dieses wird dann vom GMD-Algorithmus als suboptimal verworfen. Das GMD-Verfahren ist also gewissermaßen übermä-

6 ßig kritisch, was das Akzeptanzkriterium für erfolgreich decodierte Codeworte angeht. Zusammenfassung und Ausblick Der größte Vorteil der untersuchten Codes gegenüber Turbo-Codes ist ihre vergleichsweise geringe Länge von wenigen 1000 Kanalbenutzungen, die sie im Gegensatz zu Turbo-Codes auch für solche Anwendungen geeignet erscheinen läßt, bei denen es auf eine geringe Übertragungsverzögerung ankommt. Der größte Nachteil ist das Fehlen effizienter Algorithmen zur soft decision-decodierung, denn bei reiner hard decision-decodierung werden diese Codes der Shannon schen Kanalkapazitätsgrenze beim E b /N 0 -Kriterium nie näher kommen als ca. 2 db. Unsere bisherigen Versuche, durch Verfahren wie die GMD-Decodierung zumindest eine näherungsweise soft decision-decodierung zu verwirklichen, waren bislang leider weitgehend erfolglos. Für die Zukunft hoffen wir jedoch, mithilfe einer vereinheitlichenden Betrachtungsweise von Block- und Faltungscodes neue soft decision-algorithmen für RS-Codes entwickeln zu können, wozu die Codes eventuell in einer geeigneten Art und Weise modifiziert werden müssen. Unsere Forschungsergebnisse zu diesem Thema werden wirzueinemspäteren Zeitpunkt veröffentlichen. Literatur [BerGla9] Berrou, C., und A. Glavieux. Near Optimum Error Correcting Coding And Decoding: Turbo-Codes. IEEE Trans. Comm (199): [Fora] Forney, G. D., Jr. Concatenated Codes. The M.I.T. Press, 19. [Forb] Forney, G. D., Jr. Generalized Minimum Distance Decoding. IEEE Trans. Inform. Theory IT-12.2 (19): [Jus2] Justesen, J. A Class of Constructive Asymptotically Good Algebraic Codes. IE- EE Trans. Inform. Theory IT-18 (192): 2. [LazBet9a] Lazic, D. E., und T. Beth. The Concatenation Error Exponent is Completely Tight. Proc. IEEE Int. Symp. Inform. Theory. Ulm, 199. S.. [LazBet9b] Lazic, D. E., und T. Beth. Reed- Solomon Codes Meet the Error Exponent of the Asymptotic Uniform Symmetric Channel. Proc. IEEE Int. Symp. Inform. Theory. Ulm, 199. S. 29. [TaiPur91] Taipale, D. J., und M. B. Pursley. An Improvement to Generalized-Minimum-Distance Decoding. IEEE Trans. Inform. Theory.1 (1991): [TaiSeo9] Taipale, D. J., und M. J. Seo. An Efficient Soft-Decision Reed-Solomon Decoding Algorithm. IEEE Trans. Inform. Theory 0. (199): [Tho8] Thommesen, C. Error-Correcting Capabilities of Concatenated Codes with MDS Outer Codes on Memoryless Channels with Maximum-Likelihood Decoding. IEEE Trans. Inform. Theory IT-. (198): 2 0. [EriZin9] Ericson, T., und V. Zinoniev. Spherical Codes Generated by Binary Partitions of Symmetric Pointsets. IEEE Trans. Inform. Theory 1.1 (199):